Прикладне статистичне моделювання (пм)
Тип: На вибір студента
Кафедра: прикладної математики
Навчальний план
| Семестр | Кредити | Звітність |
| 8 | 5 | Залік |
Лекції
| Семестр | К-сть годин | Лектор | Група(и) |
| 8 | 42 | доцент Щербатий М. В. | ПМп-41, ПМп-42, ПМп-43 |
Лабораторні
| Семестр | К-сть годин | Група | Викладач(і) |
| 8 | 28 | ПМп-41 | доцент Щербатий М. В., доцент Переймибіда А. А. |
| ПМп-42 | доцент Щербатий М. В., доцент Переймибіда А. А. | ||
| ПМп-43 | доцент Щербатий М. В., доцент Переймибіда А. А. |
Опис курсу
Курс присвячений застосуванню методів статистичного аналізу та машинного навчання для дослідження процесів на основі даних спостережень. Висвітлюються підходи до моделювання залежностей у даних, зокрема методи навчання з учителем (регресія, класифікація) та без учителя (кластеризація). Детально аналізуються критерії якості моделей і точність прогнозування.
У випадку регресійних моделей розглядаються проблеми мультиколінеарності, гетероскедастичності, автокореляції залишків. Окрему увагу приділено вибору найважливіших пояснюючих змінних і зниженню розмірності простору ознак.
Алгоритмічні та програмні аспекти реалізації методів досліджуються на прикладі середовищ Python і MATLAB. Матеріали курсу доповнені практичними кейсами з різних галузей, що дозволяє студентам здобути навички роботи з реальними даними, налаштування моделей та їх оптимізації.
Метою курсу є навчити студентів:
• будувати та аналізувати моделі різноманітних процесів на основі даних спостережень;
• використовувати методи машинного навчання для аналізу даних та прогнозування;
• оцінювати адекватність та узагальнювальну здатність побудованих моделей;
• реалізовувати алгоритми аналізу даних та прогнозування за допомогою Python, Matlab;
• використовувати сучасні бібліотеки машинного навчання (таких як Scikit-learn, PyTorch, TensorFlow для Python;, Statistics and Machine Learning Toolbox для Matlab);
• застосовувати отримані знання для вирішення прикладних задач у різних сферах.
Рекомендована література
- Kroese D. P., Chan J. C.C. Statistical Modeling and Computation. // Springer, 2014. – 400 p.
- Bishop C. M. Pattern Recognition and Machine Learning. // Springer, 2006.
- James G., Witten D., Hastie T., Tibshirani R., Taylor G. An Introduction to Statistical Learning with Applications in Python. //Springer, 2023.
- Raschka S., Mirjalili V. Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. // Packt Publishing, 2019.
- Brunton S.L., Kutz J.N. Data-Driven. Science and Engineering. Machine Learning, Dynamical Systems, and Control. // Cambridge University Press, 2022.
- Murphy K. P. Probabilistic Machine Learning: An Introduction. //MIT Press, 2022.
- Ciaburro G. MATLAB for Machine Learning / 2nd edition //Packt Publishing, 2024.
- Malah Al. Machine and Deep Learning Using MATLAB: Algorithms and Tools for Scientists and Engineers. //Wiley, 2023.
- Hill C.R., Griffiths W.E., Lim C.G. Principles of econometrics. / 5th ed. //Wiley, 2017.